Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning
19. maj 2026 opdateret af: Yunnan Cancer Hospital
Research on the Whole-Process Intelligent Diagnosis and Treatment of Digital Breast Tomosynthesis Based on Deep Learning: Multicenter Retrospective and Prospective Validation
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
Studieoversigt
Status
Ikke rekrutterer endnu
Betingelser
Undersøgelsestype
Interventionel
Tilmelding (Anslået)
5000
Fase
- Ikke anvendelig
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiekontakt
- Navn: Zhenhui LI
- Telefonnummer: 13698736132
- E-mail: lizhenhui@kmmu.edu.cn
Undersøgelse Kontakt Backup
- Navn: Yu Xie
- Telefonnummer: 13708445492
- E-mail: xieyu@kmmu.edu.cn
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
- Ældre voksen
Tager imod sunde frivillige
Ingen
Beskrivelse
Inclusion Criteria
- Female patients aged ≥ 18 years.
- Complete bilateral digital breast tomosynthesis (DBT) images available, including craniocaudal (CC) and mediolateral oblique (MLO) views.
- Confirmed pathological diagnosis (core needle biopsy or surgical resection) serving as the reference standard; or benign lesions with stable findings on follow-up for more than 2 years.
- (For the efficacy prediction subgroup) Patients who received complete neoadjuvant therapy and had postoperative pathological results.
2. Exclusion Criteria
- Poor image quality with severe artifacts that precluded reliable analysis.
- History of previous breast surgery or radiotherapy (except for the recurrence risk subgroup).
- Incomplete clinical or pathological data.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Diagnostisk
- Tildeling: N/A
- Interventionel model: Enkelt gruppeopgave
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: The application value of digital breast tomosynthesis in the accurate diagnosis of breast cancer
This study aims to construct a multi-task deep learning model system to mine deep features in DBT images, so as to achieve accurate detection of breast lesions, differential diagnosis of benign and malignant (especially for the challenging BI-RADS 4A category), prediction of molecular subtypes, and evaluation of neoadjuvant chemotherapy (NAC) efficacy, providing an imaging basis for precision medicine.
|
The digital breast tomosynthesis is part of the standard treatment protocol.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
The accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images.
Tidsramme: 1day
|
Taking surgical or puncture histopathological results as the gold standard, the accuracy of the multi-task deep learning-based intelligent diagnostic model in differentiating benign and malignant breast lesions on digital breast tomosynthesis (DBT) images was evaluated.
It focuses on challenging BI-RADS 4A lesions, covering retrospective multi-center validation sets and prospective multi-center validation sets to ensure the representativeness and rigor of the indicator.
|
1day
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Efterforskere
- Studieleder: Lianhua Ye, Ethics Committee of Yunnan Provincial Cancer Hospital
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Anslået)
20. maj 2026
Primær færdiggørelse (Anslået)
31. december 2026
Studieafslutning (Anslået)
30. juni 2029
Datoer for studieregistrering
Først indsendt
27. april 2026
Først indsendt, der opfyldte QC-kriterier
19. maj 2026
Først opslået (Faktiske)
22. maj 2026
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
22. maj 2026
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
19. maj 2026
Sidst verificeret
1. maj 2026
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- KYLX2026-064
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
INGEN
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .